iTextSharp生成PDF时嵌套HTML标签异常问题求助

我之前在做类似的教育类PDF生成功能时，也碰到过一模一样的坑——iTextSharp对带复杂嵌套的HTML内容兼容性确实不太友好，尤其是数据库里存的这类用于考查的HTML片段，往往还有不规范的写法，更容易触发解析异常。下面是我总结的几个有效解决方案：

1. 替换旧的HTMLWorker为XmlWorker #

iTextSharp早期的HTMLWorker组件对嵌套HTML、CSS样式的支持非常有限，很多多层嵌套的div/p标签、复杂结构都会直接抛出异常。现在官方推荐使用XmlWorker来处理HTML解析，它对标准HTML的支持完善得多。

举个替换后的代码示例：

using iTextSharp.text;
using iTextSharp.text.pdf;
using iTextSharp.tool.xml;
using System.IO;

// 从数据库读取的试题HTML内容
string questionHtml = "<div class='question'><p>找出下面HTML的错误：<br><span><strong>未闭合的标签示例</span></strong></p></div>";

// 初始化PDF文档
Document pdf = new Document(PageSize.A4);
PdfWriter writer = PdfWriter.GetInstance(pdf, new FileStream("exam_result.pdf", FileMode.Create));
pdf.Open();

// 使用XmlWorker解析HTML
using (var htmlReader = new StringReader(questionHtml))
{
    XmlWorkerHelper.GetInstance().ParseXHtml(writer, pdf, htmlReader);
}

pdf.Close();

2. 预处理修复不规范的HTML #

数据库里的试题HTML可能存在未闭合标签、嵌套错误、特殊字符未转义等问题，这些都是触发解析异常的常见原因。可以用HtmlAgilityPack库来自动修复这些问题，确保HTML结构规范后再传给iTextSharp。

步骤如下：

1. 通过NuGet安装HtmlAgilityPack
2. 用它修复HTML结构：

using HtmlAgilityPack;

string rawHtml = "从数据库获取的不规范HTML";
var htmlDoc = new HtmlDocument();
// 开启自动修复嵌套标签和未闭合标签的功能
htmlDoc.OptionFixNestedTags = true;
htmlDoc.OptionAutoCloseOnEnd = true;
htmlDoc.LoadHtml(rawHtml);

// 获取修复后的规范HTML
string cleanedHtml = htmlDoc.DocumentNode.OuterHtml;

// 再把cleanedHtml传给XmlWorker解析

3. 处理特殊字符与自定义标签 #

• 如果HTML里包含未转义的特殊字符（比如&、<），可以先用HttpUtility.HtmlEncode处理，避免解析时的语法错误。
• 如果有iTextSharp不支持的自定义标签，可以自定义TagProcessor来处理，比如：

// 自定义处理某个标签
public class CustomTagProcessor : TagProcessor
{
    public override IElementList Process(ITag tag, IElementList currentContent)
    {
        // 自定义标签的处理逻辑，比如转换成iTextSharp的Paragraph或其他元素
        var p = new Paragraph("自定义标签内容");
        return new ElementList { p };
    }
}

// 注册自定义处理器
var properties = new Properties();
var tagProcessorFactory = Tags.GetHtmlTagProcessorFactory();
tagProcessorFactory.AddProcessor(new CustomTagProcessor(), "custom-tag");

// 在解析时使用这个工厂
XmlWorkerHelper.GetInstance().ParseXHtml(writer, pdf, htmlReader, null, Encoding.UTF8, properties);

这些方法基本能解决大部分嵌套HTML解析异常的问题，核心就是用更强大的XmlWorker替代旧组件，同时确保输入的HTML结构规范。

内容的提问来源于stack exchange，提问作者Prateek